【爬虫系列】爬取小说网站--Bs4（2021-4-21可用）

参考：路飞学院Python爬虫教学
前言：现在写的爬虫系列比较简单，不做太详细解释。重要解析会在代码中标注！

1、环境安装

在pip文件夹里面新建一个文件叫做  pip.ini ,内容写如下即可
 [global]
 timeout = 6000
 index-url = https://mirrors.aliyun.com/pypi/simple/
 trusted-host = mirrors.aliyun.com
 linux
（1）cd ~ 
（2）mkdir ~/.pip
（3）vi ~/.pip/pip.conf
（4）编辑内容，和windows一模一样
- 需要安装：
- pip install bs4
- pip install lxml

2、Bs4进行数据解析

1 数据解析的原理:

# -1.标签定位
# -2.提取标签、标签属性中存储的数据值

2 bs4数据解析的原理:

# -1.实例化一个BeautifulSoup对象，并且将页面源码数据加载到该对象中
# -2.通过调用BeautifulSoup对象中相关的属性或者方法进行标签定位和数据提取

3 环境安装:

# - pip install bs4
# - pip install lxml

3、如何实例化BeautifulSoup对象:

  # from bs4 import BeautifulSoup
    # 对象的实例化:
        # - 1.将本地的html文档中的数据加载到该对象中
        # fp = open( './test.html' ,'r' ,encoding='utf-8')soup =BeautifulSoup(fp, 'lxml' )
        # -2.将互联网上获取的页面源码加载到该对象中
        # page_text =response.text
        # soup =BeatifulSoup(page_text, ' lxml')

4、提供的用于数据解析的方法和属性:

# - soup.tagName:返回的是文档中第一次出现的tagName对应的标签- soup.find( ):
# -find( 'tagName '):等同于soup.div一属性定位:
# -soup.find( 'div' ,class_/id/attr= 'song ')
# - soup.find_all( 'tagName '):返回符合要求的所有标签（列表)select:
# - select('某种选择器(id,class，标签...选择器)‘),返回的是一个列表。一层级选择器:
# - soup.select( '.tang > ul > li > a'):>表示的是一个层级- oup.select( '.tang > ul a'):空格表示的多个层级

5、获取标签之间的文本数据:

# - soup.a.text/stringlget_text()
# - text/get_text():可以获取某一个标签中所有的文本内容- string:只可以获取该标签下面直系的文本内容
# - string:只可以获取该标签下面直系的文本内容

6、实例

import requests
from bs4 import BeautifulSoup
headers={
         'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
     }

url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
page_text = requests.get(url=url,headers=headers).text.encode('ISO-8859-1')

soup = BeautifulSoup(page_text,'lxml')

li_list = soup.select('.book-mulu > ul > li')

fp = open('./sanguo.txt','w',encoding='utf-8')
for li in li_list:
    title = li.a.string
    detail_url = 'http://www.shicimingju.com'+li.a['href']
    detail_page_text = requests.get(url=detail_url,headers=headers).text
    detail_soup = BeautifulSoup(detail_page_text,'lxml')
    div_tag = detail_soup.find('div',class_='chapter_content')
    content = div_tag.text
    fp.write(title+":"+content+'\n')
    print(title,'爬取成功！！！！！！！！！')